BENEMÉRITA UNIVERSIDAD

AUTÓNOMA DE PUEBLA

PROBLEMA 5

Goytia Cruz Fatima Gorety

Prof. Bueno Cevada Enrique

Facultad de Economía
Econometría Financiera
NRC. 26917
SEC. 001
Utilice el Método Box-
Jenkins para estimar el
modelo ARIMA
 1. Compruebe que a base de datos sea estacionaria:
Correlograma
Por el comportamiento del correlograma se sabe
que presenta un comportamiento sistemático, ya
que, al inicio se observan líneas muy altas que
sistemáticamente disminuyen con el paso del
tiempo, hasta el rezago 34 donde la correlación se
vuelve 0. Dicho de otra forma, la variable esta
influenciada por si misma a través del tiempo.
La serie de tiempo es NO ESTACIONARIA, no es
estable.

En la función de autocorrelación parcial se observa

que comienza con líneas altas, y presenta saltos a
lo largo de la curva (choques a través del tiempo), lo
cual sustenta que NO es estacionaria.
 1. Compruebe que a base de datos sea estacionaria:
Función de autocorrelación muestral

En la función de autocorrelación muestral se

observa que los retrasos que tiene “Lag” presentan
el mismo patrón sistemático; el pib de “x” tiempo
esta explicado por el pib de un tiempo anterior,
dicho comportamiento indica que:
La serie de tiempo es NO ESTACIONARIA, no es
estable.
 1. Compruebe que a base de datos sea estacionaria:
Función de autocorrelación parcial

En la función de autocorrelación parcial observamos

lo mismo que con el comando “corrgram”, hay
puntos que sobresalen del intervalo de confianza,
dicho comportamiento indica que:
La serie de tiempo es NO ESTACIONARIA, no es
estable.
1. Compruebe que a base de datos sea estacionaria:
Prueba Dickey-Fuller

Teniendo que:
H0= Raíz Unitaria
P-Value= 0.4170

Como el P-Value es mayor a 0.05, se cae en zona de aceptación, así que, se

acepta la hipótesis nula; aceptando raíz unitaria, por lo tanto, la serie de
tiempo es NO ESTACIONARIA.
1. Compruebe que a base de datos sea estacionaria:
Prueba Phillips-Perron

Teniendo que:
H0= La serie de tiempo presenta raíz unitaria (NO ESTACIONARIA)
P-Value= 0.4452

Como el P-Value es mayor a 0.05, se cae en zona de aceptación, así que, se

acepta la hipótesis nula; aceptando raíz unitaria, por lo tanto, la serie de tiempo es
NO ESTACIONARIA, existe mucha variabilidad para trabajar con los datos.
2. Primeras diferencias. Identificar el orden de integración
de la serie de tiempo para que sea estacionaria

Se utiliza el comando “gen Lpib = L.pib”

para generar el primer rezago.
Posteriormente se utiliza el comando
“gen Dpib = D.pib” para generar las
primeras diferencias.

Y así se obtiene el primer retraso.

 3. Compruebe que la base de datos es estacionaria en
primera diferencia:
Correlograma

Con la primera diferencia“Dpib”…

Por el comportamiento del correlograma se sabe
que presenta un comportamiento no sistemático, ya
que, se observan saltos, debido a que se quito el
efecto del tiempo (la partida ya no se explica por sí
misma con los datos del periodo anterior).

Es ESTACIONARIA, es estable.
 3. Compruebe que la base de datos es estacionaria en
primera diferencia:
Función de autocorrelación muestral

Con la primera diferencia “Dpib”…

En la función de autocorrelación muestral se
observa que los retrasos que tiene “Lag” no
presentan un patrón sistemático del tiempo, se
observan saltos; dicho comportamiento indica que:
Es ESTACIONARIA, es estable.
 3. Compruebe que la base de datos es estacionaria en
primera diferencia:
Función de autocorrelación parcial

Con la primera diferencia “Dpib”…

En la función de autocorrelación parcial observamos
que los primeros putos sobresalen del intervalo de
confianza (comienzan fuertes) y con el tiempo
disminuyen, dicho comportamiento indica que:
Es ESTACIONARIA, es estable.
3. Compruebe que la base de datos es estacionaria en
primera diferencia:
Prueba de Dickey-Fuller

Teniendo que:
H0= Raíz Unitaria
P-Value= 0.0000

Con la primera diferencia “Dpib”…

Como el P-Value es menor a 0.05, se cae en zona de rechazo, así que, se
rechaza la hipótesis nula y se acepta la hipótesis alternativa de que no existe
raíz unitaria, por lo tanto, la serie de tiempo es ESTACIONARIA.
 3. Compruebe que la base de datos es estacionaria en
primera diferencia:
Prueba Phillips-Perron

Teniendo que:
H0= La serie de tiempo presenta raíz unitaria (NO ESTACIONARIA)
P-Value= 0.0000

Con la primera diferencia “Dpib”…

Como el P-Value es menor a 0.05, se cae en zona de aceptación, así que, se acepta la
hipótesis nula y se acepta la hipótesis alternativa de que la serie de tiempo no presenta
raíz unitaria, es ESTACIONARIA, no existe mucha variabilidad para trabajar con los datos.
 4. Identificar el modelo ARIMA (p, d, q)

Se retrasan 9 periodos para correr el modelo Los rezagos que salen del intervalo de confianza
ARIMA, ya que son los que se encuentran fuera son 8.
del intervalo de confianza.
4. Identificar el modelo ARIMA (p, d, q)

Modelo ARIMA identificado:

d=1
Serie Integrada de orden l(1): d = 1  por la primera diferencia
p=9
Son los rezagos que salen del intervalo de confianza (autorregresivo).
q=8
Son las medias móviles

ARIMA (9, 1, 8)
5. Verificar el supuesto de ruido blanco (Prueba Q
(Portmanteau)

Teniendo que:
H0= Ruido blanco

Se acepta la hipótesis nula, aceptando que existe ruido blanco, por lo que, la
media y la varianza son constantes en el modelo, teniendo un modelo estable.
 5. Verificar el supuesto de ruido blanco (Prueba Q
(Portmanteau)

Con el comando “wntestb resid918”

observamos que los puntos no
superan los limites, corroboramos
ruido blanco; el modelo es
ESTABLE.
 6. Estimar los pronósticos

Con el comando “predict pronostico918”

obtenemos un pib estable para poder
trabajarlo en el tiempo, y así poder
incorporar otras variables y poder predecir
el comportamiento del pib en el tiempo.